1987年，诺贝尔经济学奖得主罗伯特·索洛在一篇书评中写下了一句后来被反复引用的论断：“你可以在任何地方看到计算机时代的影子，唯独在生产率统计数据中看不到。”这句话后来被命名为“索洛悖论”或“生产率悖论”。近四十年后的今天，当人工智能浪潮席卷全球，这一幕似乎正在重演。2026年西普会上，有行业人士直言：“每个人都在讨论AI，甚至每天都在用AI，但如果落脚到财报数据里，生产率到底提升了多少？”模型越来越强，企业账本却没变好看——这究竟是为什么？
AI投资的热度毋庸置疑。斯坦福大学《2026 AI Index》显示，2025年全球企业AI投资达到5816.9亿美元，同比增长129.9%。OECD报告也指出，全球风险投资对AI企业的年投资额从2012年的83亿美元增长到2025年的2587亿美元，占全球风投总额的61%。高盛最新研究则预测，2026至2031年，全球AI基础设施累计资本支出将达到约7.6万亿美元。然而，与投资端的狂热形成鲜明对比的是，产业端的收益数据并不乐观。麦肯锡2025年发布的《AI应用现状调研》覆盖105个国家、近2000份问卷，结果显示：88%的企业已在至少一个职能中常态化使用AI，但仅有6%的企业被定义为“AI高绩效者”——即通过AI实现了超过5%的EBIT增长并产生显著价值。62%的企业仍在试点阶段徘徊，大量AI项目停留在“探索”或“试点”状态，各算各的ROI，互不相通，对公司整体盈利几乎没影响。与此同时，AI对宏观GDP数据的拉动也并不明显。尽管2023年以来美国劳动生产率有所提升，但全要素生产率的增长仍然温和。有经济学家甚至质疑，AI究竟是“效率经济”还是“眼球经济”？技术声势浩大，经济账本却迟迟不见起色，这让人不得不追问：统计数字背后，到底发生了什么？
潜在解释之一，是当前的GDP统计体系已经难以充分捕捉人工智能技术对经济社会的真实贡献。美国彼得森国际经济研究所的一份政策简报指出，由于AI活动分散在云服务、软件、数据处理等多个行业，且AI能力提升带来的价格下降难以被传统统计方法充分捕捉，现有国民经济核算体系很难准确呈现AI经济的真实规模。索洛剩余公式本质上依赖可量化的投入产出数据，而AI带来的大量价值——比如智能助手的免费服务、推荐系统的时间节省、更精准的医疗诊断带来的生活质量提升——都没有市场价格，自然无法被纳入GDP。算力成本在快速下降，但统计中的“质量调整”往往滞后，导致实际产出被系统性低估。这就像用一把工业时代的尺子去丈量数字时代的产出，量不准是必然的。统计体系诞生于工业革命时期，衡量的是物质产品与有偿服务的市场交易，对免费数字服务、效率提升带来的隐性福利，几乎无能为力。
潜在解释之二，是无论信息技术还是人工智能，从技术本身对人类生产生活方式的革命性改造而言，其重要性可能被高估了。这正是美国西北大学经济学家戈登的核心观点。他在研究中对比了1870至1970年第二次工业革命（电力、内燃机、自来水、抗生素、电信等）与信息革命的影响，认为前者从根本上重构了生产与生活，而信息技术主要影响娱乐、信息和沟通领域，对生产效率的边际拉动远小于前者。按照这一逻辑，AI虽然能够显著提升某些具体任务的效率——比如把普通人力能够完成的工作用机器程序更快地做出来——但工作流程本身并未发生革命性的变化。学术界对此存在两派观点。一派以戈登为代表，认为第二次工业革命以后的新技术普遍难以带来持久的生产率提升；另一派则认为，AI作为通用技术，遵循“J型曲线”效应——初期投入成本高、应用场景分散，收益滞后显现。电力从发明到普及用了数十年，互联网在20世纪90年代初期也经历过“生产率悖论”，直到基础设施完善和互补性创新出现后才迎来爆发。当前AI可能仍处于“安装阶段”，尚未进入真正的“部署阶段”，经济效益的释放需要时间。不少研究预测，AI对生产率提振效应最显著的时期大致在2030年前后。
潜在解释之三，是AI技术本身就带有强烈的“极化”特征。与电灯、电话、汽车等普惠式技术革命不同，人工智能时代体现出典型的“赢家通吃”格局。极少数主体——掌握核心算法、数据资源和算力基础设施的巨头——赚得盆满钵满，而大多数普通企业和个人并未从中获得实质性福利改善，甚至可能因技术替代而面临失业风险。2025年，美国私营部门在AI领域的投资总额达到1091亿美元，几乎是同期中国的12倍。OECD报告也显示，美国获得的风险投资约占全球AI领域风投交易总额的75%，资本高度集中。这种“赢家通吃”的特征，使得AI技术进步的成果并未充分体现到GDP统计中去——少数企业的高增长被大量普通企业的低效抵消，整体数据自然显得平淡。
那么，AI创造的价值是不是真的被“统计迷雾”掩盖了？还是说，技术本身尚未成熟到足以改变经济增长的底层逻辑？这或许是一个更需要追问的问题。如果AI的真正价值不是体现在更多的“生产”上，而是体现在更好的“生活”上——比如更智能的医疗诊断、更少的通勤时间、更个性化的教育——那么传统的GDP框架确实可能正在失效。有学者提出，或许需要引入“数字福利指数”或“真实进步指标”来补充甚至替代GDP，将免费服务、闲暇时间、环境改善等纳入广义福利评价。但问题在于，这些指标能否被广泛接受，能否为政策制定提供可靠依据，仍是未知数。
索洛悖论的核心从来不是技术无效，而是我们衡量技术的“尺子”可能过时了。四十年过去了，计算机已经彻底改变了世界，但统计体系依然站在原地。今天的AI，或许正在经历同样的困境——它创造的真正价值，究竟该如何衡量？是继续等待GDP数据慢慢“觉醒”，还是需要一套全新的经济评估体系来重新定义增长？这是一个没有标准答案的问题，但值得每一个关心技术与社会关系的人认真思考。
